夜雨聆风👇 连享会 · 推文导航 | www.lianxh.cn
开课倒计时2天
🍓 连享会 · 2026 社会网络分析专题嘉宾：杨张博 (西安交通大学)时间：2026 年 8 月 18-19 日咨询：王老师 18903405450（微信）
社会网络分析痛点：
• 概念繁多、理论分歧，增加了理解与使用门槛 • 方法体系分散，缺乏统一的分析流程 • 数据依赖性强，因果推断难度高
课程结合理论讲解、模型实操（R 和 Codebuddy）与研究复现，帮助学员系统掌握社会网络分析的方法与工具，提升在实证研究中的应用能力。
课程特色：
• 借助 AI-Agent 实现全自动网络分析 • 基础理论 + 前沿方法 + 论文解读 + 代码实操 • 覆盖个体网、整体网与动态网络的建模方法 • 聚焦网络因果分析的最新进展
作者： 欧阳冲 (连享会)邮箱：lianxhcn@163.com[1]
• Title: 运行 Agent 后电脑越来越卡，问题出在哪里？ • Keywords: 内存占用, 资源管理, 任务管理器, 进程诊断, 后台任务, 内存泄漏 • 提要：本地 Agent 长时间运行后，电脑变卡往往不是模型本身导致，而是后台任务、解释器、浏览器和日志累积。本文给出资源护栏、只读诊断和任务切割方案，适合 Codex、Claude Code 用户参考。
本地 Agent 用起来很顺手。Codex、Claude Code、Cursor、Cline 这类工具可以读文件、改代码、跑命令、查错误、写日志、生成图表，还能同时开几个窗口处理不同任务。很多原本需要我们一步步推进的工作，现在可以交给 Agent 连续执行。
问题也随之出现：Agent 跑得越久，电脑可能越卡。最近有学员反馈，他的电脑有 32 GB 内存，平时常用软件只占 2-3 GB，但连续运行几天 Agent 后，内存几乎被占满。任务管理器里出现一堆 python.exe、node.exe、Code.exe、chrome.exe，他看不懂，也不敢随便关。
这类现象并不罕见。GitHub Issues、OpenAI 社区、Reddit 等平台上，都能看到类似讨论。不同案例的细节不完全相同，但共同点是：Agent 长时间运行后，电脑变慢，内存占用升高，后台任务变多。今天你可能还没有遇到这个问题，但只要开始让 Agent 连续跑项目、批量读文件、自动跑代码，它就很可能变成一个现实问题。
所以，这篇文章要回答一个很直接的问题：Agent 越会干活，电脑越容易被拖慢，我们该如何给它加一道资源护栏？
图 1：本地 agent 并不是单独运行一个聊天窗口，而是可能同时调动编辑器、解释器、浏览器、测试框架、文件搜索和日志系统。
1. 问题根源：Agent 自动调动了很多后台任务
很多用户会误以为：agent 占内存，是因为大模型跑在自己电脑上。多数情况下，这个理解并不准确。
我们平时使用的 Codex、Claude Code、Cursor 等工具，大模型推理主要在云端完成。本地电脑真正承担的是另一类工作：打开项目目录、读取文件、运行命令、启动 Python、R、Stata、Node、浏览器、VS Code 扩展、语言服务器、Jupyter kernel，并保存中间结果和日志。
换句话说，内存变少，并不一定是「模型把内存吃掉了」。更常见的情况是：agent 自动启动了很多后台程序，而用户没有意识到这些程序正在工作。
例如，一个看起来很简单的任务：
用户提示词示例：请帮我检查这个项目的数据清洗代码，并修复错误。
agent 可能会连续做这些事：
• 搜索整个项目目录； • 读取多个 .py、.ipynb、.md、.csv文件；• 启动 Python 环境； • 检查或安装依赖包； • 运行数据清洗脚本； • 生成中间文件； • 运行测试； • 把长日志读回对话； • 再根据报错修改代码。
人工操作时，我们通常一步一步来，做完一件事再看下一件事。agent 的优势是可以自动串联这些步骤，代价也很明确：后台工作量突然变大了。
因此，这个问题不宜简单理解为「agent 会烧内存」。更准确的说法是：agent 把原来由人手动控制的多个环节自动化了，导致后台任务、解释器、扩展、浏览器、日志和中间结果逐步累积。
2. 内存占用不等于内存泄露
讨论这个问题时，很多人会马上想到「内存泄露」。这个词要谨慎使用。
• 内存占用增加，指的是程序确实在做更多事情，所以需要更多内存。比如 agent 同时启动了 3 个 Python 进程、2 个 Node 进程、一个浏览器自动化任务和一个 VS Code 扩展进程。此时内存减少，是因为工作量增加了。 • 内存泄露，指的是程序已经不再需要某些内存，但由于程序缺陷，没有把它释放出来。典型表现是：工作量没有增加，但同一个进程的内存仍然持续上升；重启后恢复，过一段时间又重复发生。
对多数普通用户来说，第一种情况更常见。agent 没有「坏」，只是它背后承载的工作量比用户想象中大得多。
这一区分很重要。如果一上来就说「内存泄露」，用户会以为只能等待软件修复。实际上，很多问题可以通过调整 agent 的使用方式来缓解：
• 不要让 agent 一次性处理全量数据； • 不要让多个 agent 同时跑重任务； • 不要让一个会话连续运行几天； • 不要把完整日志反复塞进对话； • 不要让 agent 从一个超大混合目录里递归搜索所有文件。
这不是维修电脑的问题，而是工作流设计的问题。
3. 小白不必折腾任务管理器
面对电脑卡顿，很多技术教程会建议用户打开任务管理器，看哪个进程占内存最高。这个建议对懂电脑的人有效，但对普通用户并不友好。
他们看到的是：
任务管理器里常见的进程名：python.exenode.exeCode.exechrome.exepowershell.exewsl.exeRterm.exe
这些名字本身并不说明问题。一个 python.exe 可能是正在跑数据清洗，也可能是 Jupyter kernel 没关；一个 node.exe 可能是 VS Code 扩展，也可能是前端构建，或者某个 MCP server；一个 chrome.exe 可能是普通网页，也可能是 AI 网页端长时间运行带来的前端负担。
如果让小白用户自己判断，很容易出现两个问题：
• 他们不敢操作，因为担心误关重要程序； • 他们乱关进程，导致正在写入的结果文件损坏，或者任务中断后无法恢复。
更稳妥的做法，是让 agent 自己帮用户做低风险排查。这里的关键词是低风险：
• 只读检查； • 不结束进程； • 不删除文件； • 不修改系统设置； • 生成一份报告； • 用自然语言告诉用户主要风险在哪里； • 再建议用户下一步怎么处理。
图 2：普通用户不需要直接面对任务管理器。更稳妥的方式是让 agent 做只读诊断，输出一份可读报告。
4. 把规则写进 AGENTS.md 或 CLAUDE.md
本地 agent 的一个关键优势是：它可以读取项目中的规则文件。例如，Codex 支持使用 AGENTS.md 写入全局规则和项目规则。全局规则可以放在 ~/.codex/AGENTS.md，项目规则可以放在项目目录的 AGENTS.md。Claude Code 也有类似的项目说明文件和用户级配置空间。
这样一来，资源管理规则就可以写给 agent，而不是每次都靠用户临时提醒。
例如，可以在全局规则里写：
规则草案：Agent 全局资源管理规则
基本原则：默认假设用户的电脑资源有限。不要为了尽快完成任务而进行全量扫描、全量读取、全量转换或多个大任务并行执行。
大任务必须先切割：遇到批量读取 PDF、Word、图片或 Markdown 文件，批量清洗大型数据集，批量运行回归、模拟或机器学习模型，全项目搜索、全仓库重构、全量测试，长时间浏览器自动化任务时，先输出任务切割方案，再执行第一步。
小样本优先：如果用户没有明确要求全量执行，默认先做小样本试运行。数据类任务必须先读取前 1000 行、1% 样本或一个代表性文件。样本测试成功后，再建议是否进入全量处理。
输出控制：命令输出超过 200 行时，不要把完整内容粘贴到对话中。应写入 logs/ 目录，并在对话中只汇报关键错误、核心结果和下一步建议。
长会话管理：如果一个任务已经持续较长时间，或者对话中已经积累大量日志、错误和文件内容，应主动建议写入 TASK_SUMMARY.md，保存当前进度，结束当前 session，并用新 session 继续。
异常处理：如果用户说「电脑很卡」「内存爆了」「agent 跑了几天」，不要让用户手动乱关进程。应执行资源诊断流程，生成 logs/agent_resource_report.md，再给出低风险建议。
这段规则不是为了让 agent 变慢，而是让它像一个有经验的研究助理一样做事。经验不足的助理会一上来把所有数据都读进来；有经验的助理会先看样本、先跑小程序、先确认路径和变量，再进入全量处理。
对实证研究而言，这一点尤其重要。很多任务看起来只是「帮我整理数据」，背后却可能意味着读取几十个年份的工业企业数据库、上百个 Excel、几千篇 PDF 或多个 GB 的文本语料。如果 agent 不先切割任务，8 GB、16 GB 笔记本很容易撑不住。
5. 给 agent 一个资源诊断 skill
除了全局规则，还可以写一个专门的资源诊断 skill。用户说电脑卡、内存满、agent 跑太久时，agent 就按这个 skill 进入诊断流程。
这个 skill 的核心不是「清理系统」，而是「安全诊断」。
可以写成下面这样：
Skill 草案：Agent Resource Diagnosis
触发场景：当用户说电脑很卡、内存快满了、agent 跑了几天、不知道后台启动了什么、多个 agent 同时运行后系统变慢，或者 Python、R、Stata、Node、浏览器、VS Code 占用很高时，使用本 skill。
目标：帮助用户用低风险方式判断内存主要被谁占用，并给出可执行建议。不要要求普通用户手动排查大量进程。不要自动结束进程。
安全边界：除非用户明确授权，禁止结束进程、删除文件、卸载软件、修改注册表、修改系统环境变量、清理系统目录或强制重启电脑。默认只做只读检查和报告生成。
Windows 用户可以配一个只读 PowerShell 脚本。注意，这个脚本只看信息，不杀进程。完整脚本可以放在项目的 scripts/agent_resource_check.ps1，由 Codex 或 Claude Code 在需要时调用。
用户只需要对 agent 说：
资源诊断提示词：我的电脑现在很卡，怀疑是 agent 或它启动的后台程序占用了较多内存。请按照资源诊断规则做只读排查：不要结束进程，不要删除文件，不要修改系统设置。请生成资源报告，并告诉我主要内存可能被哪些程序占用，以及下一步应该怎么安全处理。
这个提示词比「你去任务管理器看看」更适合普通用户。用户不需要理解每个进程是什么，只需要看 agent 的解释和建议。
6. 大任务要拆成小任务
使用本地 agent 时，一个常见误区是：既然它能自动干活，那就让它一次性把事情做完。这个想法很自然，但在资源有限的电脑上并不稳。
更好的规则是：大任务默认切割，小任务可以直接做；全量执行需要理由，小样本试运行是默认动作。
例如，用户说：
用户提示词示例：帮我把这个文件夹里的 500 篇 PDF 全部整理成文献卡片。
agent 不应直接全量处理。它应该先把任务拆开：
Agent 回复示例：
先抽取 3 篇 PDF 测试解析质量。 再处理 20 篇，检查卡片格式和字段是否稳定。 最后分批处理全部 PDF，每批 50 篇，日志写入 logs/，结果写入cards/。
用户说：
用户提示词示例：帮我清洗这个大型面板数据，并跑基准回归、机制检验和稳健性检验。
agent 也不应直接读取全量数据。更稳的方案是：
Agent 回复示例：我先读取样本数据，确认变量名、年份范围、面板结构和缺失情况。然后写清洗脚本和回归脚本，用小样本跑通。确认无误后，再执行全量清洗和回归。
这不是保守，而是可复现研究的基本要求。实证研究本来就不应该依赖一次性手工操作。agent 越强，越要把中间过程写到文件里：
建议保留的项目文件：scripts/logs/results/TASK_SUMMARY.md
每完成一个阶段，就更新 TASK_SUMMARY.md。如果 session 太长，就关掉重开。新 session 读取 TASK_SUMMARY.md 后继续。这样既省内存，也减少上下文混乱。
图 3：大任务不应直接全量执行。更稳的方式是「小样本测试 → 分批处理 → 日志落盘 → 阶段摘要 → 新会话继续」。
除了内存，硬盘空间也需要留意。agent 做批量 PDF 解析、图片处理、网页抓取、数据清洗和回归输出时，会生成日志、中间结果、缓存文件和重复版本。短时间内，这通常不是最紧急的问题；但如果项目持续运行很多天，或者反复失败重跑，硬盘占用也会慢慢堆起来。
处理原则不是让 agent 自动「清理垃圾」，而是让它在生成文件时就分类保存，并在清理前先写出 cleanup_plan.md。没有用户确认，不删除文件；没有明确边界，不清理项目目录外的内容。
7. 快速解决：三条提示词与一个 Skill
为了降低使用门槛，可以直接使用下面三条提示词，也可以让 agent 把这些提示词整理后添加到 CLAUDE.md、AGENTS.md 或特定的 .skills 中。这样，后续遇到类似任务时，用户不必每次手动复制一大段提示词。
电脑变卡时，可以这样说：
提示词 1：电脑变卡时我的电脑现在变得很卡，怀疑是 agent 或它启动的后台程序占用了较多内存。请你按照资源诊断规则做只读排查：不要结束进程，不要删除文件，不要修改系统设置。请生成资源报告，并告诉我主要内存可能被哪些程序占用，以及我下一步应该怎么安全处理。
准备执行大任务前，可以这样说：
提示词 2：准备执行大任务前这个任务可能比较大。请你不要直接全量执行。请先评估它可能消耗哪些资源，把任务切割成若干阶段，并先设计一个小样本试运行方案。只有在小样本成功后，再建议是否进入全量执行。
多个 agent 并行前，可以这样说：
提示词 3：多个 agent 并行前我准备同时开多个 agent 做任务。请你先判断这些任务是否会互相争抢内存、CPU、文件锁或项目目录。请给出并行方案和串行方案，并说明哪一种更适合当前电脑配置。默认优先选择稳定方案，不追求极限并行。
这三条提示词背后的原则很简单：不要让用户自己猜后台发生了什么，而是让 agent 把后台工作显性化。
如果读者不熟悉规则文件或 skill，也可以直接对 agent 说：
把提示词转成规则或 skill：请把上面三条资源管理提示词整理成可复用规则，并按我的工具环境写入合适的位置：如果是 Codex，请建议放入 AGENTS.md；如果是 Claude Code，请建议放入 CLAUDE.md；如果当前项目有 .skills 或 skills 目录，请生成一个资源诊断 skill 草案。写入前先告诉我会修改哪个文件，不要修改系统配置。
更稳妥的做法，是让 agent 先生成草案，例如 docs/agent_resource_diagnosis_skill.md 或 docs/resource_guardrails.md。确认内容无误后，再把其中稳定的规则复制到全局 AGENTS.md、CLAUDE.md 或项目专用 skill 中。小白用户不需要理解每一条系统命令，只要让 agent 说明「会改哪里、为什么改、能否撤回」，就能把一次性的提示词变成长期可复用的工作习惯。
本地 agent 普及以后，很多人的工作方式都会变化。过去我们学习或讲授代码，重点是语法、路径、包管理、回归命令。现在还要多讲一件事：如何让 agent 在清楚的资源边界内工作。
这个边界包括：
• 它能读哪些目录； • 不应读哪些目录； • 什么时候必须先抽样； • 什么时候要写日志； • 什么时候要停止全量执行； • 什么时候要保存摘要并重开 session； • 什么时候只能诊断，不能自动清理。
这件事对小白用户尤其重要。不是每个人都应该去学进程管理、系统监控和内存分析。更现实的办法是：把这些经验写成规则，放进 AGENTS.md、CLAUDE.md 或 skill 文档里，让 agent 每次工作时自动遵守。
本地 agent 不是不能多开，也不是不能做大任务。问题在于，不能把多开和大任务当成默认选项。默认应该是小步试探、分段执行、结果落盘、异常诊断。只有当用户明确知道风险并要求全量执行时，再进入重任务模式。
简言之，agent 的能力越强，越需要资源护栏。否则，它越会干活，电脑越容易被它拖慢。
8. 资料来源
• OpenAI Codex: Custom instructions with AGENTS.md[2] • OpenAI Codex CLI Documentation[3] • OpenAI Codex: Best practices[4] • Claude Code Docs: Troubleshooting[5] • Claude Code Docs: Memory / CLAUDE.md[6] • VS Code Wiki: Performance Issues[7] • Microsoft Sysinternals RAMMap[8]
9. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh agent claude codex 智能体, md2 nocat ex(图 班 课)安装最新版lianxh命令：ssc install lianxh, replace
• 丁星星, 2026, 从代码补全到AI Agent：Copilot/Cursor/Claude Code/Codex怎么选[9]. • 丁星星, 2026, 用 AI Agent 收集数据：如何保证质量和可重复性？[10]. • 丁闪闪, 2026, AI我知道-01：AI 怎么读懂你的话？Token、上下文窗口与提示词[11]. • 丁闪闪, 2026, AI我知道-02：AI 为什么会出错？注意力机制、幻觉与推理模型[12]. • 丁闪闪, 2026, AI我知道-04：AI 如何自己干活?Agent、工具调用与 MCP[13]. • 丁闪闪, 2026, ChatGPT、Codex、Copilot、Claude Code：AI 工具如何分工协作？[14]. • 林芷涵, 2026, Claude Code Skills 写作指南：如何写好一个可复用的 SKILL.md[15]. • 罗丹, 2025, 提示词！提示词！数据清洗、数据分析、可视化一网打尽[16]. • 艾米丽, 2026, Claude 工程师力推 HTML 取代 Markdown，你怎么看？[17]. • 艾米丽, 2026, Codex 也有 Skills 了：安装、调用和定制科研工作流[18]. • 艾米丽, 2026, TradingAgents 爆火：AI 炒股，终于从问答走向投研团队[19]. • 连小白, 2026, Humanizer-zh：一个检查 AI 腔的 Claude Code Skill[20]. • 连小白, 2026, OpenBB 爆火：用于投喂 AI-Agent 的开源数据平台[21]. • 连小白, 2026, 从 Prompt 到 Skills：把论文复现、数据清洗和代码规范写进 AI[22]. • 连小白, 2026, 没有 Claude Code，如何实现 Skills？ChatGPT、DeepSeek、豆包[23]. • 雷诺, 2026, AI-Researcher：从文献综述到论文写作，如何搭建 AI Agent 科研工作流？[24].
🍓 连享会 · 2026 社会网络分析专题嘉宾：杨张博 (西安交通大学)时间：2026 年 8 月 18-19 日咨询：王老师 18903405450（微信）
New！ Stata 搜索神器：
lianxh和songblGIF 动图介绍搜： 推文、数据分享、期刊论文、重现代码 ……👉 安装：. ssc install lianxh. ssc install songbl👉 使用：. lianxh DID 倍分法. songbl all
🍏 关于我们
• 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。 • 直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。
引用链接
[1] lianxhcn@163.com: mailto:lianxhcn@163.com[2] OpenAI Codex: Custom instructions with AGENTS.md: https://developers.openai.com/codex/guides/agents-md[3] OpenAI Codex CLI Documentation: https://developers.openai.com/codex/cli[4] OpenAI Codex: Best practices: https://developers.openai.com/codex/learn/best-practices[5] Claude Code Docs: Troubleshooting: https://code.claude.com/docs/en/troubleshooting[6] Claude Code Docs: Memory / CLAUDE.md: https://code.claude.com/docs/en/memory[7] VS Code Wiki: Performance Issues: https://github.com/microsoft/vscode/wiki/performance-issues[8] Microsoft Sysinternals RAMMap: https://learn.microsoft.com/en-us/sysinternals/downloads/rammap[9] 从代码补全到AI Agent：Copilot/Cursor/Claude Code/Codex怎么选: https://www.lianxh.cn/details/1837.html[10] 用 AI Agent 收集数据：如何保证质量和可重复性？: https://www.lianxh.cn/details/1816.html[11] AI我知道-01：AI 怎么读懂你的话？Token、上下文窗口与提示词: https://www.lianxh.cn/details/1770.html[12] AI我知道-02：AI 为什么会出错？注意力机制、幻觉与推理模型: https://www.lianxh.cn/details/1771.html[13] AI我知道-04：AI 如何自己干活?Agent、工具调用与 MCP: https://www.lianxh.cn/details/1774.html[14] ChatGPT、Codex、Copilot、Claude Code：AI 工具如何分工协作？: https://www.lianxh.cn/details/1844.html[15] Claude Code Skills 写作指南：如何写好一个可复用的 SKILL.md: https://www.lianxh.cn/details/1791.html[16] 提示词！提示词！数据清洗、数据分析、可视化一网打尽: https://www.lianxh.cn/details/1638.html[17] Claude 工程师力推 HTML 取代 Markdown，你怎么看？: https://www.lianxh.cn/details/1788.html[18] Codex 也有 Skills 了：安装、调用和定制科研工作流: https://www.lianxh.cn/details/1828.html[19] TradingAgents 爆火：AI 炒股，终于从问答走向投研团队: https://www.lianxh.cn/details/1778.html[20] Humanizer-zh：一个检查 AI 腔的 Claude Code Skill: https://www.lianxh.cn/details/1822.html[21] OpenBB 爆火：用于投喂 AI-Agent 的开源数据平台: https://www.lianxh.cn/details/1789.html[22] 从 Prompt 到 Skills：把论文复现、数据清洗和代码规范写进 AI: https://www.lianxh.cn/details/1790.html[23] 没有 Claude Code，如何实现 Skills？ChatGPT、DeepSeek、豆包: https://www.lianxh.cn/details/1794.html[24] AI-Researcher：从文献综述到论文写作，如何搭建 AI Agent 科研工作流？: https://www.lianxh.cn/details/1820.html